임베딩 모델이 가장 흥미로운 AI 애플리케이션을 어떻게 구동하는지 알아봐요. OpenAI API를 사용해 임베딩을 생성하고 텍스트 간 시맨틱 유사도를 계산하는 방법을 학습합니다.

임베딩의 놀라운 세계!

임베딩이란 무엇인가요?

Embeddings 활용 사례

임베딩 생성하기

Embeddings 응답 파헤치기

벡터 공간 탐구하기

제품 설명 임베딩하기

임베딩된 설명 시각화하기

텍스트 유사도

코사인 거리 계산하기

더 재현 가능한 임베딩

가장 유사한 상품 찾기

임베딩은 시맨틱 검색 엔진, 추천 엔진, 감성 분석 같은 분류 작업 등 강력한 AI 애플리케이션을 가능하게 합니다. OpenAI의 임베딩 모델을 활용해 이러한 흥미로운 애플리케이션을 구현하는 방법을 배워 보세요!

시맨틱 검색과 고도화된 임베딩

임베딩 고도화

유사도 기준 정렬

상품을 위한 시맨틱 검색

상품 추천 시스템

분류 작업을 위한 임베딩

식당 리뷰 임베딩하기

리뷰 감성 분류하기

더 자세한 설명 임베딩하기

AI 애플리케이션을 위한 임베딩

프로덕션 환경에서 임베딩 애플리케이션을 구현하려면 효율적인 벡터 저장 및 조회 솔루션이 필요합니다. 그 해답이 바로 벡터 데이터베이스입니다! 이 장에서는 벡터 데이터베이스가 임베딩 애플리케이션의 확장을 어떻게 돕는지 배우고, Chroma를 사용해 직접 벡터 데이터베이스를 만들고 확장하는 실습을 시작합니다.

임베딩 시스템을 위한 벡터 데이터베이스

옵션

메타데이터

메타데이터 아님

메타데이터로 저장할까요, 말까요?

벡터 데이터베이스 솔루션 선택하기

ChromaDB로 벡터 데이터베이스 만들기

ChromaDB 시작하기

tiktoken으로 임베딩 비용 추정하기

컬렉션에 데이터 추가하기

데이터베이스 질의 및 업데이트

Netflix 컬렉션 질의하기

컬렉션에서 항목 업데이트 및 삭제하기

여러 쿼리와 필터링

여러 텍스트로 쿼리하기

메타데이터를 활용한 필터링

축하합니다!

벡터 데이터베이스

Online Retail Products

Netflix Titles (Full)

Netflix Titles (First 1000)

텍스트 임베딩 모델은 텍스트 입력을 수치 벡터로 변환합니다. 텍스트를 인코딩하고 의미를 포착하는 이 능력 덕분에 임베딩 모델은 시맨틱 검색 엔진이나 추천 엔진 같은 다양한 AI 애플리케이션의 기반이 됩니다. 이 강의에서는 OpenAI API를 통해 OpenAI의 Embeddings 모델을 사용해 텍스트 데이터셋에서 임베딩을 만들고, 실전 애플리케이션 개발을 시작하는 방법을 배웁니다. 또한 벡터 데이터베이스를 활용해 임베딩된 텍스트를 효율적으로 저장하고 조회하는 방법을 익혀, 프로덕션 준비가 된 애플리케이션에 한 걸음 더 다가가게 됩니다.

<h2>강력한 AI 애플리케이션 구현</h2>
임베딩을 사용하면 텍스트를 수치적으로 표현할 수 있으며, 텍스트 뒤에 숨은 맥락과 의도를 포착할 수 있습니다. 이러한 능력이 의미 기반 검색 엔진이 의미를 바탕으로 검색하고, 더 관련성 높은 추천 엔진을 구현하며, 감성 분석과 같은 분류 작업을 수행하는 데 어떻게 활용될 수 있는지 배우게 됩니다.<br><br>
<h2>OpenAI API를 사용하여 임베딩 만들기</h2>OpenAI API는 GPT 및 Whisper 모델에 접근할 수 있는 엔드포인트뿐만 아니라, 텍스트 입력으로부터 임베딩을 생성하는 모델용 엔드포인트도 제공합니다. OpenAI의 최첨단 임베딩 모델을 사용해 텍스트의 의미를 포착하는 임베딩을 생성하게 됩니다.<br><br>
<h2>시맨틱 검색 및 추천 엔진 구축</h2>
기존 검색 엔진은 사용자에게 가장 관련성 높은 결과를 제공하기 위해 키워드 매칭에 의존했지만, 더 현대적인 기법은 텍스트의 의미를 포착할 수 있는 임베딩을 사용합니다. OpenAI의 임베딩 모델을 사용해 온라인 리테일 플랫폼용 시맨틱 검색 엔진을 만드는 방법을 배우게 되며, 이를 통해 사용자가 가장 관련성 높은 제품을 더 쉽게 찾을 수 있습니다. 또한 의미 검색과 동일한 원리를 기반으로 구축되는 제품 추천 시스템을 만드는 방법도 배우게 됩니다.<br><br>
<h2>벡터 데이터베이스 활용하기</h2>
프로덕션에서 임베딩에 의존하는 AI 애플리케이션은 종종 벡터 데이터베이스를 사용하여 임베딩된 텍스트를 더 효율적이고 재현 가능한 방식으로 저장하고 조회합니다. 이 강의에서는 오픈 소스의 자체 관리형 벡터 데이터베이스 솔루션인 ChromaDB를 사용해 로컬 시스템에서 임베딩을 생성하고 저장하는 방법을 배우게 됩니다.

Working with the OpenAI API

Python Toolbox

OpenAI의 임베딩 모델로 더 발전된 AI 응용 프로그램을 활용하세요!

OpenAI API로 시작하는 임베딩 Introduction

OpenAI의 embedding 모델로 semantic search와 추천 엔진 등 고급 AI 응용을 구현하세요!

개발자를 위한 AI 엔지니어 보조

AI 애플리케이션 개발

OpenAI 기초

Senior Software Engineer, DataCamp

현재 접근 방식의 한계

NoSQL 데이터베이스 vs. SQL 데이터베이스

저장할 구성 요소

벡터 데이터베이스 생태계

최적의 솔루션은?

연습해 봅시다!

벡터 데이터베이스 - 임베딩 시스템을 위한 벡터 데이터베이스

임베딩 시스템을 위한 벡터 데이터베이스

Create Your Free Account